План на курса

Въведение

    Изкуствени невронни мрежи срещу алгоритми, базирани на дърво на решенията

Преглед на функциите на XGBoost

    Елементи на алгоритъм за градиентно усилване Фокус върху изчислителната скорост и производителност на модела XGBoost срещу логистична регресия, Random Forest и стандартно градиентно усилване

Еволюцията на дървовидните алгоритми

    Дървета на решенията, пакетиране, Random Forest, усилване, градиентно усилване Оптимизация на системата Алгоритмични подобрения

Подготовка на околната среда

    Инсталиране на SciPy и scikit-learn

Създаване на XGBoost модел

    Изтегляне на набор от данни Решаване на често срещан проблем с класификацията Обучение на модела XGBoost за класификация Решаване на обща задача за регресия

Мониторинг на ефективността

    Оценяване и отчитане на ефективността Ранно спиране

Изчертаване на функции по важност

    Изчисляване на важността на характеристиките Решаване кои входни променливи да се запазят или отхвърлят

Конфигуриране на градиентно усилване

    Преглед на кривите на обучение за набори от данни за обучение и валидиране Регулиране на скоростта на обучение Регулиране на броя на дърветата

Хиперпараметрична настройка

    Подобряване на производителността на XGBoost модел Проектиране на контролиран експеримент за настройка на хиперпараметри Searchкомбинации от параметри

Създаване на тръбопровод

    Включване на XGBoost модел в тръбопровод за машинно обучение от край до край Настройка на хиперпараметри в конвейера Разширени техники за предварителна обработка

Отстраняване на неизправности

Обобщение и заключение

Изисквания

  • Опит в писането на модели за машинно обучение

Публика

  • Учени по данни
  • Инженери за машинно обучение
 14 Hours

Брой участници



Цена за участник

Свързани Kурсове

H2O AutoML

14 Hours

AutoML with Auto-sklearn

14 Hours

AutoML with Auto-Keras

14 Hours

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

21 Hours

Introduction to Stable Diffusion for Text-to-Image Generation

21 Hours

AlphaFold

7 Hours

Edge AI with TensorFlow Lite

14 Hours

Optimizing AI Models for Edge Devices

14 Hours

TensorFlow Lite for Embedded Linux

21 Hours

TensorFlow Lite for Android

21 Hours

TensorFlow Lite for iOS

21 Hours

Tensorflow Lite for Microcontrollers

21 Hours

Deep Learning Neural Networks with Chainer

14 Hours

Distributed Deep Learning with Horovod

7 Hours

Accelerating Deep Learning with FPGA and OpenVINO

35 Hours

Свързани Kатегории